柏克萊加州大學的最新研究指出，前沿 AI 模型在模擬實際職場任務的測驗中表現不佳，即使是 OpenAI 的 GPT-5.5，整體通過率也僅 24%，在困難任務上所有模型甚至成功率為零，顯示 AI 在複雜工作上仍遠不及人類。
最新研究指出，儘管人工智慧（AI）技術發展迅速，但前沿 AI 模型在實際職場任務中的表現仍遠不及預期。一項由柏克萊加州大學發布的報告揭露，即使是頂尖的 AI 工具，在涵蓋多種職業的測驗中，最高整體通過率也僅有 24%。
這項研究來自柏克萊加州大學的 Center for Responsible, Decentralized Intelligence，旨在評估前沿 AI 工具在各種職場任務上的「就業準備度」。研究人員設計了一套名為「代理人最終考試」（Agents’ Last Exam，簡稱 ALE）的評估工具，其中包含超過 1,500 項由專家制定的任務，涵蓋 55 種不同職業。這些任務不僅包括軟體工程與平面設計等常見的 AI 應用領域，也擴及海事工程、農業、音訊製作及公共衛生營運等。
研究測試了 Anthropic’s Fable 5、OpenAI 的 GPT-5.5、Cursor’s Composer 2.5 及谷歌的 Gemini 3.1 Pro 等先進閉源模型，以及兩款中國開發的開源模型。結果顯示所有模型表現皆不佳，其中 OpenAI 的 GPT-5.5 取得最高分，整體通過率為 24%。然而，在 ALE 最困難的任務層級上，包含 Fable 5 在內的所有前沿代理，成功率均為 0%。值得注意的是，Anthropic’s Fable 5 在任務完成度上與 GPT-5.5 及 Composer 2.5 表現相似，但每完成一項任務的成本卻高出 4 到 12 倍。
研究人員指出，儘管目前的 AI 代理已能解決相當部分的專業任務，但對於需要持續推理、深厚領域專業知識以及長期可靠執行的困難任務，其表現仍與人類水準相去甚遠。柏克萊電腦科學研究員宋曉冬（Dawn Song）表示，即使目前的通過率相對較低，那些由例行性、明確定義程序主導的職業，仍可能率先受到 AI 的衝擊，而需要大量決策的角色則能維持較長時間的韌性。她強調：「關鍵因素不在於產業本身，而在於工作的性質。」
這項研究表明，儘管 AI 產業迄今已投入 1.6 兆美元，但要讓前沿 AI 模型在複雜的現實職場任務中達到人類水準的表現，仍有漫長的路要走。對於台灣企業而言，這項研究結果提供了重要啟示：導入 AI 應著重於自動化例行性工作，而對於需要高度判斷與專業的任務，仍需輔以人類智慧，避免過度期待。